🤖 AI

Numerical exploration of the range of shape functionals using neural networks

यह शोध पत्र एक नवीन संख्यात्मक ढांचे (numerical framework) को प्रस्तुत करता है जो दो और तीन आयामों में विभिन्न ज्यामितीय और PDE-आधारित आकार कार्यात्मकों (shape functionals) के लिए ब्लाशके-सेंटालो आरेख (Blaschke–Santaló diagrams) को कुशलतापूर्वक खोजने और समान रूप से नमूना लेने के लिए उत्क्रमणीय तंत्रिका नेटवर्क पैरामीट्रिकरण (invertible neural network parametrization) को एक परस्पर क्रिया करने वाली कण प्रणाली (interacting particle system) के साथ जोड़ता है।

मूल लेखक: Eloi Martinet, Ilias Ftouhi

प्रकाशित 2026-05-15

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eloi Martinet, Ilias Ftouhi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास मिट्टी का एक विशाल, जादुई डिब्बा है। आप इस मिट्टी को किसी भी आकार में सिकोड़, खींच या ढाल सकते हैं, जब तक कि वह "उत्तल" (convex) रहे (यानी इसमें कोई गड्ढा या छेद नहीं होना चाहिए, जैसे एक चिकनी गेंद या एक आदर्श घन, लेकिन डोनट या स्टारफिश जैसा नहीं)।

अब, कल्पना कीजिए कि आप हर संभव आकार के बारे में दो चीजें मापना चाहते हैं:

वह कितनी जगह घेरता है (आयतन/Volume)।
उसकी बाहरी सीमा कितनी लंबी है (परिधि/Perimeter)।

यदि आप हर संभव आकार बना सकें, तो आपको डेटा बिंदुओं का एक विशाल बादल प्राप्त होगा। कुछ आकारों का आयतन बहुत अधिक लेकिन परिधि कम होगी; अन्य आकारों का आयतन बहुत कम लेकिन परिधि बहुत लंबी और टेढ़ी-मेढ़ी होगी। यदि आप इन सभी संभावनाओं को एक ग्राफ पर अंकित करते हैं, तो आपको एक विशिष्ट "मानचित्र" या "क्षेत्र" प्राप्त होगा। गणितज्ञ इसे ब्लाशकी-सेंटालो आरेख (Blaschke–Santaló diagram) कहते हैं।

लंबे समय तक, गणितज्ञों को इस क्षेत्र के नियमों (सीमाओं) के बारे में पता था, लेकिन उनके पास इसके अंदर का नक्शा बनाने का कोई अच्छा तरीका नहीं था। वे जानते थे कि किनारे कहाँ हैं, लेकिन बीच का हिस्सा एक रहस्य बना हुआ था।

पुराने मानचित्रों के साथ समस्या

इस क्षेत्र का मानचित्र बनाने के पिछले प्रयास जंगल के हर स्थान को खोजने के लिए रैंडम तरीके से तीर चलाने (dart throwing) की तरह थे।

रैंडम तीर चलाना: यदि आप केवल रैंडम आकार (जैसे रैंडम बहुभुज) उत्पन्न करते हैं, तो आपको बीच में बहुत सारे बिंदु मिल सकते हैं, लेकिन आप किनारों के पास के कठिन, संकरे रास्तों को मिस कर सकते हैं। इससे आपको एक धुंधला, अधूरा नक्शा मिलता है।
"तीर" की सीमा: पुराने तरीकों के लिए यह जानना आवश्यक था कि जंगल की सीमाएं क्या हैं, जो कि एक नए क्षेत्र की खोज करते समय जानना कठिन होता है।

नया समाधान: एक स्मार्ट क्ले मोल्ड (मिट्टी का सांचा)

लेखकों ने, एलोई मार्टिनेट और इलियास फ्तौही ने, इस क्षेत्र की खोज करने के लिए एक नया उपकरण बनाया है। उन्होंने रैंडम तीर नहीं चलाए; उन्होंने आर्टिफिशियल इंटेलिजेंस (न्यूरल नेटवर्क) द्वारा संचालित एक स्मार्ट, डिजिटल क्ले मोल्ड का उपयोग किया।

यहाँ उनका तरीका सरल उपमाओं का उपयोग करके बताया गया है:

1. "जादुई सांचा" (न्यूरल नेटवर्क)
आकार को उसके कोनों की सूची बनाकर वर्णित करने के बजाय (जो कठिन है), वे आकार को एक परफेक्ट बॉल के खिंचाव के रूप में वर्णित करते हैं।

एक आदर्श रबर बॉल की कल्पना करें।
वे एक विशेष कंप्यूटर प्रोग्राम (न्यूरल नेटवर्क) का उपयोग करते हैं जो हाथों की एक जोड़ी की तरह काम करता है। ये हाथ उस बॉल को किसी भी उत्तल आकार में खींच, सिकोड़ या विकृत कर सकते हैं।
सीक्रेट सॉस: यह प्रोग्राम एक विशेष नियम के साथ बनाया गया है जो इसके डीएनए में रचा-बसा है: इसके लिए कोई गड्ढा बनाना भौतिक रूप से असंभव है। चाहे वे हाथ बॉल को कैसे भी खींचें, परिणाम हमेशा एक चिकना, उत्तल आकार ही होगा। इसका मतलब है कि कंप्यूटर को कभी भी यह "चेक" करने की आवश्यकता नहीं है कि आकार वैध है या नहीं; यह डिज़ाइन के अनुसार स्वतः ही वैध होता है।

2. "इलेक्ट्रिक चार्ज" का खेल (मैप का सैंपलिंग)
अब जब वे कोई भी आकार बना सकते हैं, तो वे पूरे क्षेत्र का मानचित्र बिना कुछ छोड़े कैसे बनाएंगे?

कल्पना कीजिए कि आप मानचित्र के क्षेत्र में धनावेशित (positively charged) कणों का एक समूह गिराते हैं।
चूंकि वे सभी धनात्मक हैं, वे एक-दूसरे को प्रतिकर्षित (repel) करते हैं। वे सबसे आरामदायक और समान रूप से फैले हुए स्थानों को खोजने के लिए अपने पड़ोसियों से दूर धकेलते हैं।
कंप्यूटर एक सिमुलेशन चलाता है जहाँ ये कण एक पूर्ण, समान ग्रिड बनाने के लिए एक-दूसरे को धकेलते और खींचते हैं जब तक कि वे स्थिर न हो जाएं।
एक बार जब कण स्थिर हो जाते हैं, तो कंप्यूटर "जादुई सांचे" से पूछता है कि प्रत्येक कण के स्थान के अनुरूप विशिष्ट आकार क्या है।

3. परिणाम: एक हाई-डेफिनिशन मैप
ऐसा करके, उन्हें केवल कुछ रैंडम डॉट्स नहीं मिले। उन्हें बिंदुओं का एक घना, समान बादल मिला जो पूरे क्षेत्र को पूरी तरह से भर देता है।

उन्होंने 2D आकारों (फ्लैट क्ले) और 3D आकारों (ठोस क्ले) पर इसका परीक्षण किया।
उन्होंने आयतन, परिधि और यहाँ तक कि अधिक जटिल चीजों जैसे टॉर्सनल रिजिडिटी (घुमाव की कठोरता) या आइगनवैल्यूज़ (ध्वनि तरंगों के उछलने का तरीका) के संयोजन का मानचित्र बनाया।
परिणाम स्वरूप, उन्हें आकारों के "ब्रह्मांड के नियमों" की एक स्पष्ट तस्वीर मिली। उदाहरण के लिए, अब वे देख सकते हैं कि विशिष्ट लक्ष्यों के लिए "सबसे कुशल" आकार वास्तव में कैसे दिखते हैं।

उन्होंने क्या पाया

चिकना बनाम नुकीला: उन्होंने पाया कि मानचित्र का "ऊपरी" हिस्सा अक्सर चिकने, स्टेडियम जैसे आकारों से भरा होता है, जबकि "निचले" कोने नुकीले, त्रिकोण जैसे आकारों से भरे होते हैं।
"फ्लैट" की समस्या: उन्होंने देखा कि यदि कोई आकार बहुत अधिक चपटा (जैसे क्रैकर) हो जाता है, तो गणित जटिल हो जाता है। इसे ठीक करने के लिए, उन्होंने कंप्यूटर प्रोग्राम में एक "रेगुलराइज़र" (एक हल्का धक्का) जोड़ा ताकि आकार बहुत अधिक दबे नहीं, जिससे मानचित्र सटीक बना रहे।
रैंडम से बेहतर: जब उन्होंने अपने तरीके की तुलना पुराने "रैंडम डार्ट" तरीके से की, तो उनके तरीके ने उन खाली जगहों को भर दिया जिन्हें रैंडम विधि छोड़ देती थी।

संक्षेप में

यह पेपर सभी संभावित उत्तल आकारों के "लैंडस्केप" को खोजने का एक नया तरीका पेश करता है। रैंडम अनुमान लगाने के बजाय, उन्होंने एक स्मार्ट, स्वयं-सुधारने वाला सांचा बनाया जो किसी भी उत्तल आकार को बना सकता है, और फिर यह सुनिश्चित करने के लिए कि वे मानचित्र के हर दिलचस्प स्थान पर पहुँचें, प्रतिकर्षित कणों (repelling particles) का उपयोग किया। यह गणितज्ञों को आकारों के विभिन्न गुणों (जैसे आकार, किनारे की लंबाई और आंतरिक भौतिकी) के बीच संबंध का अधिक स्पष्ट और पूर्ण चित्र प्रदान करता है।

तकनीकी सारांश: न्यूरल नेटवर्कों का उपयोग करके शेप फंक्शनल्स (Shape Functionals) की सीमा का संख्यात्मक अन्वेषण

समस्या विवरण
यह शोध पत्र ब्लाशकी-सेंटालो (Blaschke–Santaló) आरेखों के संख्यात्मक अन्वेषण को संबोधित करता है, जो वेक्टर-मान वाले शेप फंक्शनल्स (shape functionals) की सीमा के ज्यामितीय निरूपण हैं। ये आरेख विशिष्ट प्रकार के सेटों (आमतौर पर उत्तल पिंडों/convex bodies) के भीतर निर्धारित शेप फंक्शनल्स (जैसे आयतन, परिधि, आइगेनवैल्यू) के बीच संभावित असमानताओं को स्पष्ट करते हैं। हालांकि शुद्ध ज्यामितीय फंक्शनल्स के लिए सैद्धांतिक परिणाम मौजूद हैं, लेकिन स्पेक्ट्रल या PDE-संबंधित मात्राओं से जुड़े आरेखों के लिए स्पष्ट विवरण या गुणात्मक गुण प्राप्त करना अत्यधिक चुनौतीपूर्ण बना हुआ है। पिछले संख्यात्मक दृष्टिकोण, जैसे कि उत्तल बहुभुजों (convex polygons) का यादृच्छिक नमूनाकरण (random sampling) या वोरोनोई टेसेलेशन (Voronoi tessellation) पर आधारित विधियाँ, गैर-समान नमूनाकरण (non-uniform sampling), सीमा चरम सीमाओं (boundary extremals) को पकड़ने में विफलता, या आरेख की उत्तलता (जैसे ऊर्ध्धर उत्तलता) के पूर्व ज्ञान पर निर्भरता जैसी समस्याओं से ग्रस्त हैं, जिसे सामान्य मामलों के लिए स्थापित करना कठिन है।

कार्यप्रणाली
लेखक एक विशिष्ट न्यूरल नेटवर्क आर्किटेक्चर और एक इंटरैक्टिंग पार्टिकल सिस्टम (interacting particle system) को संयोजित करने वाला एक नवीन संख्यात्मक ढांचा प्रस्तावित करते हैं।

इनवर्टिबल न्यूरल नेटवर्क पैरामीट्राइजेशन (Invertible Neural Network Parametrization):
- सबलीनियर आर्किटेक्चर (Sublinear Architecture): यह विधि $\mathbb{R}^d$ में उत्तल पिंडों को यूनिट बॉल $B$ के एक होमियोमॉर्फिज्म $\phi_\theta$ के प्रतिबिंब के रूप में पैरामीट्राइज करती है। इस मानचित्र का निर्माण एक गेज फंक्शन (gauge function) $p_\theta$ का उपयोग करके किया जाता है, जिसे एक न्यूरल नेटवर्क द्वारा दर्शाया जाता है।
- उत्तलता संरक्षण (Convexity Conservation): यह सुनिश्चित करने के लिए कि परिणामी सेट स्वाभाविक रूप से उत्तल हों, नेटवर्क आर्किटेक्चर को उप-रैखिकता (sublinearity) बाधाओं को संतुष्ट करने के लिए डिज़ाइन किया गया है। विशेष रूप से, गेज फंक्शन को $p_\theta(x) = \beta \|x\| \text{LSE}(W^T x / \|x\|)$ के रूप में परिभाषित किया गया है, जहाँ LSE 'लॉग-सम-एक्सप' (LogSumExp) फंक्शन है। रैखिक रूपों के अधिकतम का यह स्मूथ सन्निकटन (smooth approximation) यह सुनिश्चित करता है कि $p_\theta$ निरंतर, उप-रैखिक और मूल बिंदु (origin) से दूर $C^\infty$ है।
- यूनिवर्सल एप्रोक्सिमेशन (Universal Approximation): लेखक एक "यूनिवर्सल एप्रोक्सिमेशन थ्योरम" पर भरोसा करते हैं (जिसे पूर्व कार्य [44] में सिद्ध किया गया है) जो यह बताता है कि इस आर्किटेक्चर द्वारा दर्शाए गए उत्तल पिंडों का सेट, हौसडॉर्फ दूरी (Hausdorff distance) के संदर्भ में सभी उत्तल पिंडों के स्थान में सघन (dense) है।
- सिमेट्री एनकोडिंग (Symmetry Encoding): यह ढांचा सममिति (जैसे परावर्तन सममिति) लागू करने की अनुमति देता है, जिससे गेज फंक्शन को आइसोमेट्रीज़ के एक परिमित समूह पर औसत (average) करके परिणामी आकार को उस समूह के तहत अपरिवर्तित रखा जा सकता है।
इंटरैक्टिंग पार्टिकल्स के माध्यम से समान नमूनाकरण (Uniform Sampling via Interacting Particles):
- ब्लाशकी-सेंटालो आरेख में बिंदुओं का एक समान वितरण उत्पन्न करने के लिए, लेखक एक रीज़ एनर्जी फंक्शनल (Riesz energy functional) को कम करते हैं। इसे $N$ आकारों $\Omega_1, \dots, \Omega_N$ को उनके फंक्शनल स्पेस में युग्मवार दूरियों को अधिकतम करने के लिए अनुकूलित करने के रूप में तैयार किया गया है:
  $\min_{\theta_1, \dots, \theta_N} \sum_{1 \le i \neq j \le N} |F(\Omega_{\theta_i}) - F(\Omega_{\theta_j})|^{-s}$
- यह दृष्टिकोण "पॉपी-सीड बेगल थ्योरम" (Poppy-seed Bagel Theorem) से प्रेरित है, जो गारंटी देता है कि जैसे-जैसे $N$ बढ़ता है, इस प्रकार की ऊर्जा को कम करने से मैनिफोल्ड पर एक समान वितरण प्राप्त होता है।
- अनुकूलन (Optimization) को पायटॉर्च (PyTorch) में ऑटोमैटिक डिफरेंशिएशन (l-BFGS के माध्यम से) का उपयोग करके किया जाता है, जिससे ग्रेडिएंट्स पूरे कम्प्यूटेशनल ग्राफ में प्रवाहित हो सकते हैं, जिसमें PDE के समाधान और इंटीग्रल मूल्यांकन भी शामिल हैं।
शेप फंक्शनल्स की गणना (Computation of Shape Functionals):
- इंटीग्रल मात्राएँ (Integral Quantities): वॉल्यूम, पेरिमीटर और मोमेंट ऑफ इनरशिया को न्यूरल मैप के जैकोबियन (Jacobian) से संबंधित परिवर्तन-परिवर्तन सूत्रों (change-of-variable formulas) का उपयोग करके संदर्भ यूनिट बॉल $B$ से डोमेन $\Omega_\theta$ पर इंटीग्रल्स को खींचकर (pulling back) कंप्यूट किया जाता है।
- PDE-संबंधित मात्राएँ:
  - टोरशनल रिजिडिटी (Torsional Rigidity): इसे फंडामेंटल सॉल्यूशंस के मेथड ऑफ फंडामेंटल सॉल्यूशंस (MFS) दृष्टिकोण का उपयोग करके हल किया जाता है, जहाँ समाधान को फंडामेंटल सॉल्यूशंस के रैखिक संयोजन द्वारा अनुमानित किया जाता है। बाउंड्री कंडीशन को लीस्ट स्क्वायर्स के माध्यम से फिट किया जाता है, जो एक पूरी तरह से डिफरेंशिएबल प्रक्रिया है।
  - न्यूमन आइगेनवैल्यूज (Neumann Eigenvalues): इन्हें एक मेष-फ्री (mesh-free) RBF-गैलेरकिन विधि का उपयोग करके कंप्यूट किया जाता है। वीक फॉर्मूलेशन को संदर्भ डोमेन पर वापस खींचा जाता है, रेडियल बेसिस फंक्शन्स (RBF) का उपयोग करके विविक्त (discretize) किया जाता है, और इसे एक जनरलाइज्ड आइगेनवैल्यू समस्या के रूप में हल किया जाता है। डिफरेंशिएशन को सक्षम करने के लिए, समस्या को मास मैट्रिक्स के चोलेस्की डीकंपोजिशन (Cholesky decomposition) के माध्यम से एक मानक आइगेनवैल्यू समस्या में बदल दिया जाता है।
- रेगुलराइजेशन (Regularization): अनुकूलन को फ्लैट या क्षीण (degenerate) आकृतियों में ढहने से रोकने के लिए, जो संख्यात्मक अस्थिरता का कारण बनता है, जैकोबियन के कंडीशन नंबर पर आधारित एक रेगुलराइज़र को लॉस फंक्शन में जोड़ा गया है।

प्रमुख योगदान

अनकन्स्ट्रेंड कॉन्वेक्स ऑप्टिमाइजेशन (Unconstrained Convex Optimization): एक स्मूथ, इनवर्टिबल न्यूरल नेटवर्क पैरामीट्राइजेशन का परिचय जो बिना किसी स्पष्ट असमानता बाधाओं या पेनल्टी टर्म के स्वाभाविक रूप से उत्तलता को सुरक्षित रखता है।
समान आरेख नमूनाकरण (Uniform Diagram Sampling): रीज़ ऊर्जा को कम करने के लिए इंटरैक्टिंग पार्टिकल सिस्टम का अनुप्रयोग, जो आरेख की उत्तलता गुणों के बारे में पूर्व ज्ञान पर निर्भर किए बिना ब्लाशकी-सेंटालो आरेखों को समान रूप से नमूना लेने की विधि प्रदान करता है।
डिफरेंशिएबल PDE सॉल्वर (Differentiable PDE Solvers): स्पेक्ट्रल और टोरशनल फंक्शनल्स को कंप्यूट करने और उनके सापेक्ष शेप पैरामीटर्स के प्रति डिफरेंशिएट करने के लिए ऑटोमैटिक डिफरेंशिएशन को MFS और RBF-गैलेरकिन जैसे मेष-फ्री तरीकों के साथ सफलतापूर्वक एकीकृत करना।
ओपन-सोर्स कार्यान्वयन (Open-Source Implementation): पुनरुत्पादकता (reproducibility) को सुगम बनाने के लिए एक व्यापक पायटॉर्च पैकेज (ConvexShapeOpt) और नोटबुक का विमोचन।

परिणाम
विधि का परीक्षण $\mathbb{R}^2$ और $\mathbb{R}^3$ में विभिन्न आरेखों पर किया गया, जो ज्यामितीय और PDE-आधारित फंक्शनल्स के लिए इसकी प्रभावशीलता को प्रदर्शित करता है:

ज्यामितीय आरेख (वॉल्यूम, पेरिमीटर, मोमेंट ऑफ इनरशिया): विधि ने सामान्य और सिमेट्रिक उत्तल पिंडों के लिए 2D और 3D में ज्ञात सैद्धांतिक सीमाओं और एक्सट्रीमल आकृतियों (जैसे स्टेडियम, त्रिकोण, रोम्बी) को सफलतापूर्वक पुनः प्राप्त किया।
टोरशनल रिजिडिटी आरेख: दृष्टिकोण ने वॉल्यूम, पेरिमर और टोरशनल रिजिडिटी के बीच संबंधों को सटीक रूप से मैप किया, ज्ञात असमानताओं (जैसे सेंट-वेनेंट, पोल्या, माकाई) को पुनः प्राप्त किया और संगत इष्टतम आकृतियों को विज़ुअलाइज़ किया।
स्पेक्ट्रल आरेख (वॉल्यूम, पहले दो न्यूमन आइगेनवैल्यूज): विधि ने $\mu_1$ और $\mu_2$ के लिए आरेख का अन्वेषण किया। हालांकि इसने $\mu_1$ और $\mu_2$ के लिए सामान्य डोमेन को पुनः प्राप्त किया, लेखक आइगेनवैल्यू असेंबली के माध्यम से डिफरेंशिएशन से जुड़ी मेमोरी सीमाओं के कारण ऊपरी सीमा पर सटीकता में सीमाओं को नोट करते हैं।
विलमोर एनर्जी आरेख (Willmore Energy Diagrams): फ्रेमवर्क ने उच्च-क्रम के बाउंड्री टर्म्स को सफलतापूर्वक संभाला, 2D और 3D उत्तल सेटों के लिए वॉल्यूम, पेरिमीटर और विलमोर एनर्जी के बीच के ट्रेड-ऑफ को विज़ुअलाइज़ किया।
तुलना: उत्तल बहुभुजों के साधारण रैंडम सैंपलिंग की तुलना में, प्रस्तावित विधि उन क्षेत्रों को कैप्चर करती है जिन्हें रैंडम सैंपलिंग मिस कर देती है, विशेष रूप से सीमाओं के पास।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह एक "नवीन संख्यात्मक ढांचा" प्रदान करता है जो "पूर्णतः अनकन्स्ट्रेंड" दृष्टिकोण का उपयोग करके पिछले तरीकों की सीमाओं को दूर करता है। इसका महत्व निम्नलिखित में निहित है:

लचीलापन (Flexibility): एक ही विभेदक ढांचे (unified differentiable framework) के भीतर विविध फंक्शनल्स (ज्यामितीय, स्पेक्ट्रल, PDE-आधारित) को संभालने की क्षमता।
मजबूती (Robustness): यह विधि आरेख की ज्यामिति (जैसे ऊर्ध्धर उत्तलता) के बारे में पूर्व धारणाओं के बिना 2D और 3D में आरेखों का "संतोषजनक विवरण" प्रदान करती है।
स्केलेबिलिटी (Scalability): हालांकि क्वाड्रैचर आवश्यकताओं के कारण 3D में कम्प्यूटेशनल लागत बढ़ जाती है, फिर भी विधि मजबूत बनी रहती है और इसके लिए अतिरिक्त कार्यान्वयन जटिलताओं की आवश्यकता नहीं होती है।
पहुंच (Accessibility): पायटॉर्च के ऑटोमैटिक डिफरेंशिएशन का लाभ उठाकर, यह ढांचा नए फंक्शनल्स के अन्वेषण की बाधा को कम करता है और इसे अनुसंधान समुदाय के लिए उपलब्ध कराता है।

लेखक अपनी सीमाओं के संबंध में एक विनम्र लहजा बनाए रखते हैं, यह स्वीकार करते हुए कि उनकी विधि की मेमोरी दक्षता उच्च-परिशुद्धता डिफरेंशिएशन के लिए आवश्यक कम्प्यूटेशनल ग्राफ के आकार द्वारा सीमित है, विशेष रूप से स्पेक्ट्रल समस्याओं के लिए। वे यह भी नोट करते हैं कि हालांकि गेज फंक्शन पैरामीट्राइजेशन शक्तिशाली है, यह सपोर्ट फंक्शन की तुलना में कुछ ज्यामितीय मात्राओं (जैसे न्यूनतम चौड़ाई) को कंप्यूट करना कठिन बनाता है, हालांकि दोनों सैद्धांतिक रूप से विनिमेय (interchangeable) हैं।

पुराने मानचित्रों के साथ समस्या

नया समाधान: एक स्मार्ट क्ले मोल्ड (मिट्टी का सांचा)

उन्होंने क्या पाया

संक्षेप में

तकनीकी सारांश: न्यूरल नेटवर्कों का उपयोग करके शेप फंक्शनल्स (Shape Functionals) की सीमा का संख्यात्मक अन्वेषण

इसी तरह के और पेपर